論文の概要: CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2302.12831v1
• Date: Tue, 14 Feb 2023 15:13:33 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-05 05:41:54.919670
• Title: CDPMSR: Conditional Diffusion Probabilistic Models for Single Image Super-Resolution
• Title（参考訳）: CDPMSR:単一画像超解法における条件拡散確率モデル
• Authors: Axi Niu, Kang Zhang, Trung X. Pham, Jinqiu Sun, Yu Zhu, In So Kweon, Yanning Zhang
• Abstract要約: 拡散確率モデル(DPM)は画像から画像への変換において広く採用されている。 単純だが自明なDPMベースの超解像後処理フレームワーク,すなわちcDPMSRを提案する。 本手法は, 定性的および定量的な結果の両面において, 先行試行を超越した手法である。
• 参考スコア（独自算出の注目度）: 91.56337748920662
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Diffusion probabilistic models (DPM) have been widely adopted in image-to-image translation to generate high-quality images. Prior attempts at applying the DPM to image super-resolution (SR) have shown that iteratively refining a pure Gaussian noise with a conditional image using a U-Net trained on denoising at various-level noises can help obtain a satisfied high-resolution image for the low-resolution one. To further improve the performance and simplify current DPM-based super-resolution methods, we propose a simple but non-trivial DPM-based super-resolution post-process framework,i.e., cDPMSR. After applying a pre-trained SR model on the to-be-test LR image to provide the conditional input, we adapt the standard DPM to conduct conditional image generation and perform super-resolution through a deterministic iterative denoising process. Our method surpasses prior attempts on both qualitative and quantitative results and can generate more photo-realistic counterparts for the low-resolution images with various benchmark datasets including Set5, Set14, Urban100, BSD100, and Manga109. Code will be published after accepted.
• Abstract（参考訳）: 拡散確率モデル(DPM)は画像から画像への変換において高品質な画像を生成するために広く採用されている。 画像スーパーレゾリューション(sr)にdpmを適用する試みは、様々なレベルのノイズのデノベーションを訓練したu-netを用いて、条件付き画像で純粋なガウスノイズを反復的に精錬することで、低レゾリューション画像の満足度の高い画像を得るのに役立つことを示した。 さらに,現在のdpmベースの超解像法を簡素化するために,簡易かつ非自明なdpmベースの超解像後処理フレームワーク,すなわちcdpmsrを提案する。 to-be-test LR画像に事前訓練されたSRモデルを適用し、条件付き入力を与えると、標準DPMに適応して条件付き画像生成を行い、決定論的反復分解過程を通じて超解像を行う。 提案手法は,定性的および定量的な結果の両面での事前試行を超越し,Set5,Set14,Urban100,BSD100,Manga109などのベンチマークデータセットを用いて,低解像度画像に対してよりリアルな画像を生成する。 コードは受理後公開される。

関連論文リスト

• PassionSR: Post-Training Quantization with Adaptive Scale in One-Step Diffusion based Image Super-Resolution [87.89013794655207]
  拡散に基づく画像超解像(SR)モデルでは、複数のデノナイジングステップのコストで優れた性能を示す。 本稿では,一段階拡散(OSD)画像SR,PassionSRにおける適応スケールの学習後量子化手法を提案する。 我々のPassionSRは、画像SRの最近の先進的な低ビット量子化法に対して大きな利点がある。
  論文  参考訳（メタデータ） (2024-11-26T04:49:42Z)
• Efficient Conditional Diffusion Model with Probability Flow Sampling for Image Super-resolution [35.55094110634178]
  画像超解像のための確率フローサンプリングを用いた効率的な条件拡散モデルを提案する。 提案手法は,既存の拡散型画像超解像法よりも高画質化を実現している。
  論文  参考訳（メタデータ） (2024-04-16T16:08:59Z)
• Generalized Consistency Trajectory Models for Image Manipulation [59.576781858809355]
  拡散モデル(DM)は、画像編集や復元などの応用と同様に、無条件生成において優れている。 本研究の目的は、一般化されたCTM(GCTM)を提案することによって、整合性軌道モデル(CTM)の完全なポテンシャルを解放することである。 本稿では,GCTMの設計空間について論じ,画像から画像への変換,復元,編集など,様々な画像操作タスクにおいて有効性を示す。
  論文  参考訳（メタデータ） (2024-03-19T07:24:54Z)
• Accelerating Diffusion Sampling with Optimized Time Steps [69.21208434350567]
  拡散確率モデル(DPM)は高分解能画像合成において顕著な性能を示した。 彼らのサンプリング効率は、通常多くのサンプリングステップのため、依然として望まれている。 DPM用高次数値ODEソルバの最近の進歩により、サンプリングステップがはるかに少ない高品質な画像の生成が可能になった。
  論文  参考訳（メタデータ） (2024-02-27T10:13:30Z)
• Improving Denoising Diffusion Probabilistic Models via Exploiting Shared Representations [5.517338199249029]
  SR-DDPMはノイズ拡散過程を逆転することで高品質な画像を生成する生成モデルのクラスである。 多様なデータ分布の類似性を利用して、画像の品質を損なうことなく、複数のタスクにスケールできる。 提案手法を標準画像データセット上で評価し、FIDとSSIMの指標で条件付きDDPMと条件付きDDPMの両方より優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-27T22:30:26Z)
• AdjointDPM: Adjoint Sensitivity Method for Gradient Backpropagation of Diffusion Probabilistic Models [103.41269503488546]
  既存のカスタマイズ方法は、事前訓練された拡散確率モデルをユーザが提供する概念に合わせるために、複数の参照例にアクセスする必要がある。 本論文は、DPMカスタマイズの課題として、生成コンテンツ上で定義された差別化可能な指標が唯一利用可能な監督基準である場合に解決することを目的とする。 本稿では,拡散モデルから新しいサンプルを初めて生成するAdjointDPMを提案する。 次に、随伴感度法を用いて、損失の勾配をモデルのパラメータにバックプロパゲートする。
  論文  参考訳（メタデータ） (2023-07-20T09:06:21Z)
• ACDMSR: Accelerated Conditional Diffusion Models for Single Image Super-Resolution [84.73658185158222]
  本稿では,ACDMSRと呼ばれる拡散モデルに基づく超解像法を提案する。 提案手法は, 決定論的反復分解過程を通じて超解像を行うために, 標準拡散モデルに適応する。 提案手法は,低解像度画像に対してより視覚的に現実的な表現を生成し,現実的なシナリオにおけるその有効性を強調した。
  論文  参考訳（メタデータ） (2023-07-03T06:49:04Z)
• Perception-Distortion Balanced ADMM Optimization for Single-Image Super-Resolution [29.19388490351459]
  低周波制約(LFc-SR)を持つ新しい超解像モデルを提案する。 制約付きモデルの非自明な学習のためのADMMに基づく交互最適化手法を提案する。 実験の結果,提案手法は加工後処理の煩雑さを伴わず,最先端の性能を達成できた。
  論文  参考訳（メタデータ） (2022-08-05T05:37:55Z)
• ILVR: Conditioning Method for Denoising Diffusion Probabilistic Models [22.84873720309945]
  DDPMにおける生成過程を誘導し,高品質な画像を生成するために,反復潜時可変リファインメント(ILVR)を提案する。 提案手法は,生成を制御しながら高品質な画像を生成する。
  論文  参考訳（メタデータ） (2021-08-06T04:43:13Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。